9. 设计初衷与独特优势
本章集中说明 qteasy 的设计初衷与独特优势：为何以高速向量化回测为目标却摒弃“全时间轴向量化”，如何通过“向量化 + 数据隔离”兼顾速度与防未来函数，以及 use_latest_data_cycle 等可配置项对长期回测的影响。与 总体架构与设计思路、策略中的数据 形成呼应。
9.1. 1. 为何不做全时间轴向量化
1.1 未来函数风险
若在整个时间轴上一次性计算指标（例如全历史 EMA），得到的历史序列与“按当时可见的历史窗口逐段计算”的结果不一致：全轴 EMA 会用到后续价格，实盘无法复现，导致回测与实盘偏离。因此，qteasy 不在时间维上做“整段一次性”的指标计算，而是按步只给策略当前步可见的数据窗口。
1.2 状态与规则无法表达
若在时间维上完全向量化，则难以正确实现：
T+1 交割、交易费用、最小交易单位（MOQ） 等约束；
是否允许使用“交易当时”的最新数据（当根 K 线）的建模选择。
这些细节在长期回测中会产生成倍的收益差异（例如十年回测中，“是否使用当根 K 线数据”的微小差异会显著改变累计收益）。qteasy 将“是否用当根数据”显式做成 use_latest_data_cycle 配置项，而非隐式假设。
9.2. 2. 事件驱动的替代与取舍
常见做法是采用事件驱动：每个交易事件逐标的取数、逐笔计算指标，从而彻底避免未来函数并贴近实盘，但速度较慢。qteasy 的取舍是：保留“按时间步、按当时可见数据”的正确性，但在单步内用向量化 + Numba 加速，在保证正确性的前提下兼顾速度。
9.3. 3. qteasy 的做法：向量化 + 数据隔离
3.1 回测主体向量化
回测循环与交易计算（买卖量、费用、持仓、交割）已用 NumPy + Numba 实现：时间维顺序步进，标的维在单步内向量化。参见 回测引擎与性能（设计视角）。
3.2 数据提前打包装配与按步注入
准备阶段：回测前通过
check_and_prepare_backtest_data、prepare_data_buffer等从 DataSource 拉取并缓存所需全量历史；再通过create_data_windows用rolling_window生成按运行节奏对齐的数据窗口流（每个 step 对应一个固定长度的历史窗口）。每步运行前：引擎调用 update_running_data_window，把当前 step 对应的数据窗口写入策略属性；策略在
realize()内通过 get_data(dtype_id) 取到的仅是该步可见的窗口，在此窗口上计算 EMA 等指标，与实盘“当时仅能看到的历史”一致，从机制上避免未来函数。
数据流是“声明 → 引擎按步注入 → get_data 引用”，策略代码不包含“读表”或“拉取”逻辑。详见 策略如何声明与使用数据。
3.3 use_latest_data_cycle（ulc）的含义与影响
use_latest_data_cycle 控制数据窗口是否包含当根 K 线：
True：窗口可含当前 bar（如收盘价），对应“交易时是否允许用当时最新价”的建模。
False：窗口严格小于当前时刻，仅用“过去已收盘”的数据。
该开关对长期回测结果影响显著，qteasy 将其作为可配置项在策略声明与运行配置中暴露，文档与 API 中应明确写出并指向配置说明。
9.4. 4. 独特优势小结
高速 + 防未来函数：在保证“每步仅用当时可见数据”的前提下，实现向量化 + Numba 的快速回测，兼顾速度与回测可信度。
精细交易建模：T+1、费用、交割、MOQ 以及“是否用当根数据”等均可建模，长期回测对这类细节敏感，qteasy 支持显式配置。
简洁接口：用户只需在
realize()中get_data()取数并计算信号，数据窗口与时间对齐由框架负责，降低误用未来数据的可能。
9.5. 5. 代码依据摘要
数据准备与窗口：
history.py中check_and_prepare_backtest_data；qt_operator.py中prepare_data_buffer、create_data_windows（对buffered_data.values做rolling_window并与运行 schedule 对齐）；ulc决定窗口是否含当根。按步注入：
qt_operator.py中run_strategy(step_index)每步对策略调用update_running_data_window(..., window_index=step_index)；strategy.py中update_running_data_window将对应数据窗口赋给策略属性，get_data()读取的即为该步窗口。
更多实现细节见《架构与设计》各章与 API 参考。